Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
Causal-DRF：基于分布随机森林的条件核处理效应估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确估计条件核处理效应，并以处理造成的条件分布差异扩展均值效应分析。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
Causal-DRF：基于分布随机森林的条件核处理效应估计
- 研究问题
- 当处理影响不仅体现为条件均值变化时，如何估计给定协变量下处理组与对照组之间更完整的分布差异？
- 方法与思路
- 作者调整分布随机森林的分裂准则，以一次森林拟合估计条件核处理效应，并近似其抽样分布用于推断。
- 材料陈述的贡献
- 摘要称，所提估计量具有一致性与渐近正态性，能够考察条件均值效应之外的处理与对照结果分布差异。
- 阅读关注点
- 应核对核函数与目标量的定义、因果识别条件、森林构造要求，以及抽样分布近似和渐近结论的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未说明识别与正则条件，不能由分布比较直接推断因果关系。
原文摘要
The conditional average treatment effect (CATE) is a commonly targeted statistical parameter for measuring the effect of a treatment conditional on covariates. However, the CATE will fail to capture effects of treatments beyond differences in conditional expectations. Inspired by causal forests for CATE estimation, we develop a forest-based method to estimate the conditional kernel treatment effect (CKTE), based on the recently introduced Distributional Random Forest (DRF) algorithm. Adapting the splitting criterion of DRF, we show how one forest fit can be used to obtain a consistent and asymptotically normal estimator of the CKTE, as well as an approximation of its sampling distribution. This allows to study the difference in distribution between control and treatment group and thus yields a more comprehensive understanding of the treatment effect.